テクニカルサマリー：量子誤り訂正のスケーラブルなテスト

問題提起

量子誤り訂正（QEC）アルゴリズムのベンチマークは、フォールトトレラント（耐故障）量子コンピューティングに向けた極めて重要なステップである。標準的なアプローチでは、注入された故障を含む量子回路をシミュレーションすることで、論理エラー率（$P_L$）を推定する。しかし、QECコードがより大きな距離（$d$）やより低い物理エラー率（$p$）へとスケールするにつれ、論理エラーは極めて稀な事象となる。

最先端のツールであるStimは、ランダムな故障注入を利用してQEC実装をベンチマークする。Stimは小規模な距離（$d \approx 10$まで）では効率的であるが、大規模な距離に対してはモンテカルロ・サンプリングに依存しているため、スケーラビリティに課題がある。高品質なQECアルゴリズムの場合、論理エラーが発生する確率は非常に低いため、統計的な信頼性を得るためにStimは膨大な数のテストを実行しなければならない。多くの場合、$d \ge 13$において、Stimは合理的な時間予算（例：デスクトップでの2時間）内に単一の論理エラーすら観測できず、推定値を提供できない。これは、現実世界のアプリケーションに向けたQEC性能の特性評価を目指す研究者にとって、ボトルネックとなっている。

手法：ScaLER

著者らは、ランダム・サンプリングの限界を克服するために、層化故障注入（stratified fault injection）と外挿（extrapolation）を組み合わせた手法であるScaLER（Scalable Logical Error Rate Testing）を提案している。核心となる洞察は、「故障空間」は注入されたエラーの重み（故障の数）によって分割可能であり、高重みのサンプルを効率的にサンプリングすることで低重みのサンプルの挙動を予測できるという点にある。

1. QECテストデータのS字曲線によるモデリング

著者らは、エラーの重みに対する論理エラー率（$P_L^w$）が**S字曲線（S-curve）**を形成することに着目した。

• フォールトトレラント・ゾーン： 重み $w \le t$（ここで $t = \lfloor (d-1)/2 \rfloor$）の場合、論理エラー率は厳密にゼロである。
• 遷移ゾーン： 重みが $t$ を超えて増加すると、エラー率は急激に上昇する。
• 飽和ゾーン： 非常に高い重みでは、エラー率は0.5（コイン投げと同等）に飽和する。

論文では、この挙動を連続関数 $f(w)$ を用いてモデル化している。IBMの既存の「Min-Fail Enclosure Model」もデータを適合させるが、著者らはそれがフォールトトレラント閾値付近での精度に欠けると主張している。著者らは、関数を $w \le t$ ではゼロとし、$w > t$ では特定のアンザッツ（ansatz）を使用することで、フォールトトレラント閾値 $t$ を明示的に組み込んだ新しいS字曲線モデルを導入している：
$$f_t^{\text{ours}}[\mu, \alpha, \beta](w) = \begin{cases} 0 & w \le t \\ \frac{1}{2} \cdot \frac{1}{1 + e^{-\frac{w-\mu}{\alpha} + \frac{\beta}{\sqrt{w-t}}}} & w > t \end{cases}$$
このモデルは、特定の重み部分空間から収集されたデータ点に対してフィッティングされる。

2. 層化サンプリングと適応型探索

すべての重みを一様にサンプリングする代わりに、ScaLERは論理エラーが頻繁に発生する高重みのサンプルに焦点を当て、そこからクリティカルな低重み領域へと外挿を行う。アルゴリズムは以下の3つのステージで動作する：

1. 二分探索ステージ： アルゴリズムは2つの境界重みを探索する：
   • $w_{err}$：1,000個のサンプルで論理エラーが発生する最小の重み（約 $P_L^w \approx 0.001$）。
   • $w_{sat}$：論理エラー率が $\le 0.25$ となる最大の重み。
2. 初期サンプリングステージ： $w_{err}$ と $w_{sat}$ の間に均等に分布する5つの部分空間においてサンプルを収集する。収集されたデータに対してYカーブ（対数変換されたS字曲線）をフィットさせ、「スイートスポット（sweet spot）」($w_{sweet}$) を推定する。
3. 反復ステージ： アルゴリズムは $w_{err}$ から $w_{sweet}$ に向かって移動しながら、部分空間を反復的にサンプリングする。各部分空間の後にYカーブを再フィットし、$w_{sweet}$ の推定値を更新する。プロセスは、5つの部分空間がテストされるか、あるいは時間予算が尽きるまで継続される。

3. 論理エラー率の推定

S字曲線のパラメータ（$\mu, \alpha, \beta$）がフィットされたら、モデル化されたエラー率と、その重みが回路内で発生する確率の積を合計することで、総論理エラー率を推定する：
$$\hat{P}_L = \sum_{w=w_{min}}^{w_{max}} f_t^{\text{ours}}(w) \times \binom{n}{w} p^w (1-p)^{n-w}$$
ここで $n$ は回路内の箇所数であり、総和は「クリティカル領域」（通常は $[np - 5\sigma, np + 5\sigma]$）をカバーする。

主な貢献

1. ScaLERツール： 層化故障注入とS字曲線フィッティングを実装したオープンソースのツール（C++/Python）。
2. 新しいS字曲線モデル： フォールトトレラント閾値 $t$ を明示的に組み込んだ数学的モデルであり、既存のモデルと比較して閾値付近での外挿精度が高い。
3. 適応型サンプリングアルゴリズム： テストコストと精度のバランスを取りながら、サンプリングすべき最適な重みの範囲を動的に決定する手法（Algorithm 1）。
4. スケーラビリティのデモンストレーション： Stimが完全に失敗する領域において、ScaLERが標準的なデスクトップ上の2時間の時間予算内で距離 $d=17$ までの論理エラー率を推定できることを示す経験的証拠。

結果

著者らは、Surfaceコード、Toricコード、およびBivariate Bicycle (BB) コードを用い、距離 $d$ が最大17、物理エラー率 $p=0.0005$ および $p=0.0001$ の条件下で、ScaLERをStimと比較評価した。

• スケーラビリティ (RQ1)： Surfaceコード（$d=17, p=0.0005$）において、Stimは2時間でゼロの論理エラーしか観測できなかった。一方、ScaLERは同じ時間枠内で、$1.51 \times 10^{-11}$ という論理エラー率を高い信頼度で推定した。ScaLERは、Stimが失敗したすべての構成において、推定値を正常に提供できた。
• 一致性 (RQ2)： Stimがグラウンドトゥルース（真値）の推定値を生成できたケース（通常 $d \le 10$）では、ScaLERの推定値はオーダーの範囲内で一致した。$d=3$ および $d=9$ では、相対誤差は10%未満であった。中間的な距離（$d=5, 7$）では、誤差は約20–40%であったが、これは「スイートスポット」のハイパーパラメータ（$\Gamma$）の選択に起因すると著者らは述べている。$\Gamma$ を大きくすると、サンプリングコストが増大する代わりに精度が向上する。
• モデル比較 (RQ3)： 著者らのS字曲線モデルは、データの適合およびクリティカル領域への外挿において、IBMのモデルよりも優れた性能を示した。異なる指数（$s$）を持つモデルのバリエーションがテストされたが、$s=1/2$（分母の平方根項）が最も高い精度をもたらした。

意義と主張

本論文は、ScaLERが高品質なQECアルゴリズムをベンチマークするための、スケーラブルな代替手段であることを主張している。テストの焦点を高重みのエラー部分空間へとシフトさせ、論理エラー率の予測可能なS字曲線の挙動を利用することで、極めて低い論理エラー率を推定するために必要なサンプリング努力を劇的に削減できる。

著者らは、このアプローチにより、Stimのような標準的なモンテカルロ・ツールでは到達不可能なスケール（$d=17$ や、巨大な整数を因数分解するような将来のフォールトトレラント・アプリケーションに関連するエラー率）におけるQEC回路の特性評価が可能になると強調している。彼らは、この手法がQECテストデータがS字曲線に従うという仮定に依存しており、非常に大きな距離におけるグラウンドトゥルースは依然として不明瞭であることを認めているが、その推定値が低距離のベンチマークと整合しており、堅牢であることを示している。